Wie kann KI behinderte und neurodivergente Lernende in meinem Kurs unterstützen?

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Sie sind die Lehrkraft, die gerade einen Nachteilsausgleichsbrief erhalten hat, die Barrierefreiheits-Verantwortliche, die über eine Lizenz entscheidet, oder die Koordination der Behindertendienste, die bis Freitag eine Werkzeuganfrage beantworten muss. Sie brauchen keinen Literaturreview. Sie brauchen eine vertretbare Entscheidung: was annehmen, was ablehnen, und woran man erkennt, ob das Zugelassene dem Studenten vor Ihnen tatsächlich geholfen hat.

Das Fazit, mit seinen Vorbehalten an Ort und Stelle: KI kann behinderte und neurodivergente Lernende unterstützen, aber das, was gemessen wurde, ist eng. Das meiste der Belege betrifft Werkzeuge, die jeweils eine funktionale Barriere beseitigen; das stärkste quantitative Ergebnis stammt aus PK-12-Sonderbildungssettings mit überwiegend prä-generativer KI; und das Hochschulbild ist eine Karte dessen, was versucht wurde, statt eine Messung dessen, was funktioniert. Nichts hier rechtfertigt pauschale Annahme. Alles hier stützt eine enge, unterwiesene, barrierespezifische Annahme – und benennt mehrere Praktiken, die schiefgehen.

Beginnen Sie bei der Barriere, nicht bei der Diagnose

Das meiste, was für behinderte und neurodivergente Studierende schiefgeht, passiert auf der Ebene einer Aufgabe statt einer Diagnose: eine Lektüre, die Druck voraussetzt, ein Video, das anhaltende Aufmerksamkeit voraussetzt, ein Gruppenprojekt, das unausgesprochene soziale Regeln voraussetzt. Diese Barrieren treten über Diagnosen hinweg wieder auf, deshalb ist die produktive Frage nicht, welches Werkzeug zu welcher Erkrankung passt, sondern welche funktionale Barriere ein Werkzeug beseitigt. Jede Empfehlung unten ist so gegliedert, und Ihre Beschaffung sollte es auch sein.

Was annehmen, geordnet nach Stärke der Belege

1. Barrieren beseitigende Werkzeuge mit gemessenem Effekt – mittlere Vertrauenswürdigkeit, aber PK-12 und überwiegend ältere KI. Das stärkste quantitative Ergebnis auf dieser Seite ist auch das allgemeinste. Zhang, Carter, Liu und Peng (2024) synthetisierten 29 (quasi-)experimentelle Studien KI-basierter Interventionen für Studierende mit Behinderungen – 239 Effektstärken aus 41 unabhängigen Stichproben – und fanden einen statistisch signifikanten mittleren Gesamteffekt auf Lernergebnissen, Hedges' g = 0.588 (95%-KI [0.349, 0.826], p < .01), mit hoher Heterogenität zwischen Studien. Akademische Leistung war die größte Ergebnisteilgruppe (k = 80, g = 0.929) und sozioemotionale Fähigkeiten die kleinste (k = 144, g = 0.382). Computersoftware – Spracherkennung, Expertensysteme, Intelligent Tutoring Systems – schnitt stark ab (k = 74, g = 0.959) und Roboter mittelmäßig (k = 144, g = 0.509), während intelligente VR (g = 0.528) nicht signifikant war. Publikationsbias lag vor (Egger's β = 2.837, p < .001); Trim-and-fill reduzierte die Schätzung auf g = 0.269, weiterhin signifikant. Lesen Sie das Vertrauenslabel ehrlich: jede Studie war PK-12, 96.6% nutzten schrittbasierten Unterricht in Sonderbildungs- oder klinischen Settings, und die meisten nutzten ältere regelbasierte KI statt generativer KI. Das ist ein Grund für vorsichtige Annahme strukturierter Instruktionssoftware – keine Legitimation für den Chatbot, den man Ihnen andrehen wollte.

2. Konkrete Ein-Barriere-Werkzeuge mit kleinen Studien – niedrige Vertrauenswürdigkeit, kleine Stichproben. Drei Ergebnisse zeigen, was ein einzelnes Werkzeug leisten kann, jedes an einer Handvoll Lernender getestet. Für Aufmerksamkeit segmentierten Pimenova, Begel und Kollegen (2026) Instruktionsvideos nachträglich in Einzelinstruktions-Abschnitte mit festen Pausen; mit 17 lernenden Personen mit ADHS und 10 ohne verbesserte es alle und brachte die Fehler und Zögern der ADHS-Teilnehmenden auf Parität – ein egalisierender Effekt einer schlanken Transformation statt eines diagnosespezifischen Produkts. Für Sprachzugang fügten Chen et al. (2026) einem Große Sprachmodelle (LLMs)-Basissatz Visual-Fragen (Zeitstempel, an denen visuelle Information wahrscheinlich falsch gelesen wird) und Emotion-Fragen (Zeitstempel, an denen frühere gehörlose und schwerhörige Lernende Frustration berichteten) hinzu und erzeugten 30 Fragen, zehn pro Strategie; mit 16 lernenden Personen lag die Selbstwirksamkeit bei durchschnittlich 5.70 (SD = 1.12) auf einer Sieben-Punkte-Skala, und Visual-Fragen wurden von gehörlosen stärker gewählt als von schwerhörigen Teilnehmenden. Für Lesen und Schreiben Rezazadegan et al. (2026) werteten eigene Forumsdiskussionen legasthener Lernender aus und fanden, dass sie KI für Leseförderung schätzen, dabei aber uneinheitliche Ausgabequalität und fehlende gerechte Nachteilsausgleiche berichten – die Inkonsistenz ist selbst eine Barriere. Nehmen Sie diese als kostengünstige, reversible Experimente an, nicht als feste Infrastruktur.

3. Das Hochschulinventar – eine Karte, keine Messung. Für Hochschulbildung ist das Bild eine Karte statt einer Messung. Rempel, Heimann und Prilop (2026) screenten 766 Datensätze aus fünf Datenbanken auf 40 eingeschlossene Studien herunter, veröffentlicht zwischen 2015 und 2025. Generative KI erschien in 15 der 40 und Virtual Reality in 11. Die Barrierenabdeckung war ungleich: Lesen und Schreiben (n = 13) und Studienmanagement (n = 12) dominierten, Aufmerksamkeit (n = 4) und soziale Kommunikation (n = 5) waren vernachlässigt, und nur 6 Studien adressierten mehr als eine Barriere. Der Review deckt nur Hochschulbildung ab – er schloss K-12 (Primar- und Sekundarstufe) und Spezialinstitutionen-Settings per Design aus, ist also kein Beleg über jüngere Lernende. Nutzen Sie ihn, um zu sehen, welche Barrieren auf Ihrer Ebene adressiert wurden und welche kaum berührt sind.

4. Struktur und Universal Design, belegt und kostenlos. Die geäußerten Präferenzen der Lernenden liefern das Designdossier. Zastudil et al. (2026) befragten 24 neurodivergente Informatikstudierende (autistisch und/oder ADHS) und 20 neurotypische Peers mit vier Anschlussinterviews: die neurodivergente Gruppe war mit unstrukturierten oder mehrdeutigen Aufgaben unwohl und bevorzugte stark kleinere Teams, die konsistent zusammenarbeiten mit explizit definierten Rollen, und bewältigte das durch Selbstwahl von Rollen und strategische Offenlegung. Ihre Warnung für KI-vermittelte Arbeit ist, dass das Interaktionsmodell eines Werkzeugs dieselbe strukturelle Mehrdeutigkeit reproduzieren kann. Struktur ist die kostengünstigste Intervention auf dieser Liste und die am häufigsten ausgelassene.

Was vermeiden, einschließlich Nachteilsausgleichen, die nach hinten losgehen

• Liefern Sie KI nicht als Nachteilsausgleich, ohne sie zu unterweisen. Der häufigste Fehler ist nicht das falsche Werkzeug, sondern ein ununterwiesenes. Der Fall W.A. v. Clarksville/Montgomery County School System (2024) ist die dokumentierte Version: ein Student, der KI als Nachteilsausgleich erhielt, schloss ab, ohne lesen zu können, und das Gericht befand, dass keine freie, angemessene öffentliche Bildung erbracht worden war.
• Lassen Sie ein pauschales KI-Verbot kein assistives Werkzeug entfernen. Wright (2026) argumentiert, dass Regeln, die alle „KI-Nutzung" gleich behandeln, überinklusiv sind, weil sie Sprach-zu-Text-Transkription und OCR nicht von generativem Entwerfen trennen. Studierende mit Erkrankungen, die Feinmotorik, Handschriftenlesbarkeit oder Tippgenauigkeit betreffen, haben auf eigenständige Sprach-zu-Text-Produkte wie Dragon NaturallySpeaking und eigenständige OCR vertraut, von denen mehrere eingestellt oder verschlechtert wurden, wobei KI-gestützte Transkription die funktionale Lücke füllt – sodass eine als „keine KI" formulierte Regel dem Studenten das Hauptmittel zur Erzeugung lesbarer Arbeit entziehen kann, und das Ausmaß dieser Verdrängung ist nicht gemessen. Behandeln Sie Transkription und OCR als Nachteilsausgleiche, die in der Richtlinie explizit zu benennen sind, statt als Kollateralschäden; das daraus entstehende Risiko gehört zu Rechtliche Fragen und Risiken.
• Organisieren Sie Unterstützung nicht allein um die Diagnose. Der zentrale Befund des Scoping Review ist eine Kritik: die Literatur ist von individuellen Nachteilsausgleichen und einzelneurotypischen Werkzeugen dominiert, die um formale Diagnose organisiert sind, während die funktionalen Unterschiede, die sie adressieren, quer zu Neurotypen verlaufen und durch diagnostische Kategorisierung verborgen werden. Legasthene Studierende neigen dazu, von reduzierter Abhängigkeit von rein schriftlichem Material zu profitieren, und autistische Studierende wie Studierende mit ADHS können häufige Schwankungen der Fokussierung erleben, was Leistung sensibel für konsistente Struktur und genug Zeit für Aufgabenwechsel macht. Ein auf ein Label abgestimmtes Werkzeug kann die Barriere verfehlen, die der Student tatsächlich hat. Dieselbe Vorsicht gilt für Gruppenstatistiken: die größte Meta-Analyse in dieser Wissensbasis berichtet einen deutlich größeren Effekt für Studierende mit spezifischen Lernbehinderungen, intellektuellen und Entwicklungsbehinderungen oder die gehörlos sind, als für Studierende mit Autismus-Spektrum-Störung, wobei dieser Unterschied über ihre Effektstärken hinweg als nicht statistisch signifikant berichtet wird (siehe Unterschiedliche Effekte über Lernendengruppen).
• Machen Sie Selbstidentifikation nicht zum Preis des Zugangs. Nachteilsausgleich verlangt vom Studenten, sich als bedürftig besonderer Regelungen zu identifizieren, was Stigma trägt; Universal Design entfernt diesen Schritt.
• Ignorieren Sie keine Inversionseffekte. Chatbot-Überabhängigkeit und die kognitive Überlast immersiver Umgebungen sind als Inversionseffekte dokumentiert, bei denen das Hinzufügen der Technologie das Lernen senkt. Von einem Werkzeug, das vorhandenen Unterricht nur digital reproduziert, sollte begrenzte Lernzuwächse erwartet werden.
• Setzen Sie keine Werkzeuge ein, deren Verlässlichkeit unbewiesen ist. Legasthene Studierende, die KI für Leseförderung nutzen, berichteten echten Wert neben unzuverlässiger Ausgabequalität; ein Werkzeug, auf das man sich nicht verlassen kann, fügt Arbeit hinzu statt sie zu entfernen.
• Akzeptieren Sie Produkte nicht, wie sie ankommen. Nennen Sie Universal Design und partizipative Entwicklung als Beschaffungsanforderungen, statt zu akzeptieren, was man Ihnen verkauft – der Scoping Review empfiehlt, Werkzeuge mit neurodivergenten Studierenden zu bauen statt für sie, und seine eigene Stichprobe zeigt, wie selten das ist, mit nur 3 von 40 Studien, die die Umgebung oder neurotypische Peers zum Interventionsgegenstand machten.
• Kaufen Sie nicht standardmäßig die immersivste Option. Virtual Reality ist die ressourcenintensivste Option im Set. Assistive Technologie braucht Geräte und Konnektivität, und Werkzeuge, die in einer Pilotierung kostenlos sind, wandern routiniert hinter eine Bezahlschranke.
• Lassen Sie Automatisierungsbias nicht für Urteil einstehen. LUDIAs Autoren benennen eine Grenze, die in jeden Einsatzplan gehört: Automatisierungsbias bedeutet, dass die Pädagogische Fachkraft, die eine schlechte Anregung am wahrscheinlichsten akzeptiert, die ist, die dem Werkzeug zutraut, Universal Design for Learning zu kennen. Niemand hat seine Ausgaben auf kulturellen oder sprachlichen Bias getestet.

Woran man erkennt, ob ein Werkzeug diesem Studenten hilft

Aggregate Effekte geben Ihnen eine Richtung; sie sagen Ihnen nicht, ob das Werkzeug dem Studenten in Ihrer Gruppe nächste Woche hilft. Drei Vorsichtsmaßnahmen sollten jede Erprobung prägen.

Erstens ist die Teilgruppenordnung suggestiv statt etabliert. Die Meta-Analyse von 2024 kann nicht sagen, welche Designwahl besser ist: kein Moderator irgendeiner Art erreichte Signifikanz, sodass Reihenfolgen wie lehrbare Agenten (g = 1.100) vor sozioemotionalen Coaches (g = 0.336) oder dyadische vor triadischer Interaktion (g = 0.973 gegenüber g = 0.385) nicht als geklärt behandelt werden sollten. Die vertretbare Position ist, dass die Richtung des Effekts gestützt ist, während Größe, Designoptimum und Dauerhaftigkeit eines Gewinns es nicht sind.

Zweitens beschreibt das Korpus Einsätze und Wahrnehmungen mehr als gemessenes Lernen. Aufmerksamkeit (n = 4) und soziale Kommunikation (n = 5) sind die am wenigsten untersuchten Barrieren, und nur 6 von 40 Studien bedienten mehr als eine. Die Knappheit (quasi-)experimenteller und longitudinaler Designs und die Heterogenität von Werkzeugen und Ergebnissen sind der Grund, warum die Hochschularbeit ein Scoping Review statt eine Meta-Analyse ist. Die Abdeckung ist zu Studierenden der ersten Semester und Global North hin verzerrt, die Suche war englischsprachige Peer-Review-Arbeit, und Graduierte sind unterrepräsentiert. Behandeln Sie Engagement und Zufriedenheit als schwache Indikatoren; messen Sie die Barriere, die Sie zu beseitigen vorhatten.

Drittens kann ein Werkzeug, das eine Barriere behebt, eine andere zurücklassen. Nur 6 von 40 Studien bedienten mehr als eine Barriere, prüfen Sie das Werkzeug also gegen die spezifische Schwierigkeit, die der Student berichtet – Lesen und Schreiben, Studienmanagement, Aufmerksamkeit oder soziale Kommunikation – und bewerten Sie gegen diese Barriere, nicht gegen eine Zufriedenheitsbefragung. Fragen Sie den Studenten; Zastudil et al.s Teilnehmende und Rezazadegan et al.s Forumsschreibende beschreiben ihre Bedarfe präziser als die für sie gebauten Produkte.

Einwände, die Sie hören werden

„Wir können nicht von allen ein Werkzeug verlangen." Sie können, wo das Werkzeug ein Designmerkmal statt eines persönlichen Nachteilsausgleichs ist. Videosegmentierung mit festen Pausen verbesserte alle Lernenden, nicht nur die mit ADHS, und die Fehler und das Zögern der ADHS-Teilnehmenden auf Parität zu bringen, ist genau das Universal-Design-Ergebnis, das die Notwendigkeit der Offenlegung entfernt. Pimenova und Begels Ergebnis ist ein egalisierender Effekt einer schlanken Transformation statt eines diagnosespezifischen Produkts. Koppeln Sie das mit zugänglichen Standards: Vorlesen, OCR und Text-Leveling-Werkzeuge treten in den validierten Politikpunkten von Shin et al. (2026) wieder auf, deren LLM-basiertes Topic Modeling und zwei Delphi-Befragungsrunden mit 17 Experten über 12 US-amerikanische KI-Bildungs-Politikdokumente von 2015 bis 2025 fanden, dass nur 2 der 12 spezifisch Lernbehinderungen adressieren, während 18 Themen, die in allgemeiner KI- oder anderer-Behinderung-Politik präsent sind – Datenschutz, Management rechtlicher Risiken, ethische Leitlinien darunter –, in spezifischer Lernbehinderungspolitik fehlen.

„Untertitelung und Übersetzung sind keine akademische Unterstützung." Untertitelung ist ein Anfang, nicht das Ganze des Sprachzugangs. Textbasierte Prompts passen nicht zu zeichensprachlichen Erstsprachen: koppeln Sie Transkripte mit visuellen und emotionalen Kontexthinweisen und schneiden Sie unnötige Komplexität ab, wie Chen et al.s Visual- und Emotion-Fragen es tun. Und die eigene Reihenfolge der Politikexperten widerspricht dem Einwand: ihre 36 validierten Punkte fallen in fünf Themen – inklusives und personalisiertes Lernen (11 Punkte, 30.56%), Ethik, Gerechtigkeit und Inklusion (9, 25.00%), Studierendenermächtigung und KI-Kompetenz (6, 16.67%), Assessment und Forschung (6, 16.67%) und Vorbereitung Pädagogischer Fachkräfte (4, 11.11%) –, und sie reihten Studierendenermächtigung und KI-Kompetenz als am wesentlichsten: diesen Studierenden beizubringen, KI verantwortungsvoll und unabhängig zu nutzen, während gegen Überabhängigkeit geschützt wird.

„Studierende müssen unabhängig sein." Unabhängigkeit ist das, wofür der Unterricht da ist, weshalb das Werkzeug ohne den Unterricht der Fehlermodus ist. Shin et al.s Thema der Vorbereitung Pädagogischer Fachkräfte existiert aus demselben Grund, und LUDIAs Autoren benennen das Hindernis als die „Wissens-Handlungs-Kluft": Anleitung existiert im Überfluss, ist aber in allgemeinen Begriffen geschrieben, während eine Barriere immer partikular ist – dieser Raum, diese Woche. Das Ausmaß des Bedarfs ist leicht zu unterschätzen: etwa 240 Millionen Kinder weltweit leben mit Behinderung, etwa die Hälfte von ihnen außerhalb der Schule in Ländern niedrigen und mittleren Einkommens, und etwa ein Drittel der Lehrkräfte über OECD-Systeme hinweg berichtet, die Kompetenzen zur Unterstützung von Studierenden mit besonderen Bedarfen zu fehlen. Der rechtliche Rahmen sind der US-amerikanische Assistive Technology Act (2004) und IDEA (2004), die Evaluation assistiver Technologie in jedes Individualized Education Program stellen und eine freie, angemessene öffentliche Bildung verlangen, dennoch helfen keine formalen evidenzbasierten Leitlinien Pädagogischen Fachkräften oder Familien bei der Implementierung von KI für diese Lernenden. Unabhängigkeit, gebaut auf ein ununterwiesenes Werkzeug, ist das, was die Rechtsprechung bestraft.

„Wir können es uns nicht leisten." Dann lehnen Sie die teure Standardoption ab. Das Assistive-Technologie-Feld ist auf die globale Nordhalbkugel konzentriert, seine immersivsten Werkzeuge sind am wenigsten skalierbar, und Virtual Reality ist die ressourcenintensivste Option im Set. LUDIA ist eine ausgearbeitete Version der Universal-Design-Alternative: es verbindet Pädagogische Fachkräfte mit Universal Design for Learning, während eine Designentscheidung noch offen ist, und entfernt Zugangsbarrieren architektonisch – keine Kosten, keine Konten oder gespeicherten Chats, WCAG-2.2-Level-AA-Konformität und 13 maschinenübersetzte Sprachen, wobei nicht-englische Versionen die Annahmen des Englischen tragen können, aus dem sie stammen. Es ist ein Denkpartner statt eine Lösungsmaschine, der seine Untersuchung um „Vertrauensbeweis" statt Wirkungsbeweis organisiert, und offen feststellt, dass die Autoren keine Belege dafür halten, dass das Werkzeug Lernen verbessert. Budgetieren Sie ehrlich für die andere Kostenstelle: Shin et al. verweisen auf die digitale Spaltung, da der Preis fortgeschrittener KI-Werkzeuge Disparitäten zwischen wohlhabenderen und ärmeren Schulen vergrößern kann, neben algorithmischem Bias und Lücken in der Lehrkräfteausbildung.

Diese Woche tun

• Benennen Sie zuerst die funktionale Barriere. Lesen und Schreiben, Studienmanagement, Aufmerksamkeit, soziale Kommunikation – prüfen Sie dann, ob das Werkzeug diese Barriere adressiert oder nur eine Diagnose.
• Nutzen Sie, was belegt ist. Videosegmentierung mit festen Pausen verengte die ADHS-Leistungslücke auf Parität, und Vorlesen, OCR und Text-Leveling-Werkzeuge treten in den validierten Politikpunkten wieder auf.
• Behandeln Sie Untertitelung als Anfang, nicht als Ganzes des Sprachzugangs. Koppeln Sie Transkripte mit visuellen und emotionalen Kontexthinweisen und schneiden Sie unnötige Komplexität ab.
• Geben Sie Struktur, statt Studierende bitten, sie zu erschließen. Kleine konsistente Teams, definierte Rollen, explizite Erwartungen und Rollenselbstwahl waren die Präferenzen, die neurodivergente Informatikstudierende berichteten.
• Bauen Sie Barrierefreiheit in die Beschaffung ein. Nennen Sie Universal Design und partizipative Entwicklung als Anforderungen, bevorzugen Sie kostenlose und datenschutzwahrende Werkzeuge, und fragen Sie, was passiert, wenn die kostenlose Stufe endet.
• Schulen Sie Menschen, nicht nur Einsatz. Budgetieren Sie Zeit für Studierende, das Werkzeug zu lernen, und für Personal, es in die Aufgabe einzuarbeiten; ein Nachteilsausgleich ohne Unterricht scheiterte vor Gericht.
• Designen Sie für Überlappung, und achten Sie auf Inversionseffekte. Nur 6 von 40 Studien bedienten mehr als eine Barriere; Chatbot-Überabhängigkeit und kognitive Überlast in immersiven Umgebungen können Lernen reduzieren.
• Berichten Sie Ergebnisse ehrlich. Das meiste der Belege beschreibt Einsätze und Wahrnehmungen, und kein Designmoderator ist etabliert; behandeln Sie Engagement und Zufriedenheit als schwache Indikatoren.
• Finanzieren Sie die Schulung und Workflow-Integration, die ein zugängliches Werkzeug in brauchbare Unterstützung verwandeln, und schreiben Sie die Kosten für Geräte und Konnektivität in den Plan.

Wohin als Nächstes

Diese Seite ist der praktische, lernendenübergreifende Einstiegspunkt: Universelles Design für das Lernen (UDL) deckt die Designphilosophie ab, die Barrieren verhindert, bevor sie entstehen, Assistive Technologien die Werkzeugschicht, die ein Student nutzt, Barrierefreiheit ob ein Format überhaupt wahrgenommen und bedient werden kann, und Neurodiversität die Linse, die Unterschied als Diversität statt Defizit behandelt – alle unter dem Dach von Inklusives Lernen.

Für die forschungsseitigen Verpflichtungen siehe die Einbeziehung von Gerechtigkeit, Barrierefreiheit, Datenschutz, Ethik und pädagogischer Sicherheit in AIED-Forschung.